隨著無線協議變得越來越復雜，頻譜環境的競爭日益激烈，電子戰也越來越復雜。無線電所需的基帶處理程度也更加復雜和專業化。在充滿威脅的復雜環境下，想要完全優化射頻系統是不現實的。設計人員以前一直依賴簡化的封閉式模型，但是這些模型無法準確捕捉到真實效果；而且對系統的優化也非常零碎，僅能優化單個組件，無法進行完整的端到端優化。在過去幾年里，人工智能已經取得了長足的進步，尤其是機器學習技術中的深度學習。為了解決眾多棘手問題，人類設計人員一直都在花費大量精力研究手動式工程解決方案，而深度學習則直接將目標對準了針對特定問題的大型復雜數據集。

　　AI和無線電射頻

　　如要了解AI如何簡化RF系統設計的復雜性，就需要從大局上了解最近哪些技術進步推動了AI系統的迅速普及。“AI”這個術語已經使用了幾十年，從廣義上講，是指基于機器決策的問題解決方法。機器學習（ML）屬于AI的一種，指使用數據對機器進行訓練，以解決特定問題。深度學習是一類具有“特征學習”能力的機器學習技術，在這個過程中，由機器決定使用哪些方面的數據作為決策依據，而不是由人類設計人員規定某些明顯的特征作為決策依據。例如，設計人員以前都是根據多年的特征識別技術研究心得，手動編寫面部識別算法。而深度學習方法將包含人臉的圖像數據集與操作人員訓練結合起來，可識別出人臉的位置。機器會學習識別人臉的構成，不需要設計人員定義算法。同樣，RF信號分類和頻譜感知算法也從深度學習方法中獲益匪淺。過去的自動調制分類（AMC）和頻譜監測方法需要耗費大量人力來進行手動工程特征提取（工程師團隊通常需要花費數月時間進行設計和部署），而基于深度學習的系統通過幾小時的訓練，就能識別新的信號類型。深度學習還允許端到端學習，通過這種方式，一個模型可以同時學習編碼器和解碼器，從而構成一個完整的收發系統。該模型不需要嘗試逐個優化每個組件（例如，數模轉換器［DAC］、模數轉換器［ADC］、射頻轉換器、無線信道和接收器網絡），并將它們拼接在一起，而是將系統視為端到端函數，學習從整體上優化系統。